爬蟲 結構化 資料 非結構化資料 正則表示式re
背景
頁面解析和資料提取
一般來講對我們而言,需要抓取的是某個網站或者某個應用的內容,提取有用的價值。內容一般分為兩部分,非結構化的資料 和 結構化的資料。
非結構化資料:先有資料,再有結構,
結構化資料:先有結構、再有資料
不同型別的資料,我們需要採用不同的方式來處理。
文字、電話號碼、郵箱地址
正則表示式
HTML 檔案
正則表示式
XPath
CSS選擇器
結構化的資料處理
JSON 檔案
JSON Path
轉化成Python型別進行操作(json類)
XML 檔案
轉化成Python型別(xmltodict) XPath CSS選擇器 正則表示式
對於以上bs4 的beautifulsoup 也是不錯的
為何要學習正則表示式
實際上爬蟲一共就四個主要步驟:
明確目標 (要知道你準備在哪個範圍或者網站去搜索)
爬 (將所有的網站的內容全部爬下來)
取 (去掉對我們沒用處的資料)
處理資料(按照我們想要的方式儲存和使用)
那麼對於文字的過濾或者規則的匹配,最強大的就是正則表示式,是Python爬蟲世界裡必不可少的神兵利器。
什麼是正則表示式
正則表示式,又稱規則表示式,通常被用來檢索、替換那些符合某個模式(規則)的文字。 正則表示式是對字串操作的一種邏輯公式,就是用事先定義好的一些特定字元、及這些特定字元的組合,組成一個“規則字串”,這個“規則字串”用來表達對字串的一種過濾邏輯。
給定一個正則表示式和另一個字串,我們可以達到如下的目的:
給定的字串是否符合正則表示式的過濾邏輯(“匹配”);
通過正則表示式,從文字字串中獲取我們想要的特定部分(“過濾”)。
正則表示式匹配規則
Python 的re 模組
在Python 中可以使用Python 來使用正則表示式
有一點要注意 正則表示式使用對特殊字元進行轉義。 所以如果要使用原始字串, 只需要加一個r 字首
r'chuanzhiboke\t\.\tpython'
re 模組的一般使用步驟如下:
1. 使用 compile() 函式將正則表示式的字串形式編譯為一個 Pattern 物件 2. 通過 Pattern 物件提供的一系列方法對文字進行匹配查詢,獲得匹配結果,一個 Match 物件。 3. 最後使用 Match 物件提供的屬性和方法獲得資訊,根據需要進行其他的操作
compile 函式
compile 函式用於編譯正則表示式,生成一個 Pattern 物件,它的一般使用形式如下
import re
# 將正則表示式編譯成 Pattern 物件
pattern = re.compile(r'\d+')
在上面,我們已將一個正則表示式編譯成 Pattern 物件,接下來,我們就可以利用 pattern 的一系列方法對文字進行匹配查找了。
Pattern 物件的一些常用方法主要有:
1. match 方法:從起始位置開始查詢,一次匹配
2. search 方法:從任何位置開始查詢,一次匹配
3. findall 方法:全部匹配,返回列表
4. finditer 方法:全部匹配,返回迭代器
5. split 方法:分割字串,返回列表
6. sub 方法:替換
match 方法
import re
pattern = re.compile(r'\d+') # 用於匹配至少一個數字
>>> m = pattern.match('one12twothree34four') # 查詢頭部,沒有匹配
>>> print m
None
>>> m = pattern.match('one12twothree34four', 2, 10) # 從'e'的位置開始匹配,沒有匹配
>>> print m
None
>>> m = pattern.match('one12twothree34four', 3, 10) # 從'1'的位置開始匹配,正好匹配
>>> print m # 返回一個 Match 物件
<_sre.SRE_Match object at 0x10a42aac0>
>>> m.group(0) # 可省略 0
'12'
>>> m.start(0) # 可省略 0
3
>>> m.end(0) # 可省略 0
5
>>> m.span(0) # 可省略 0
(3, 5)
在上面,當匹配成功時返回一個 Match 物件,其中:
group([group1, …]) 方法用於獲得一個或多個分組匹配的字串,當要獲得整個匹配的子串時,可直接使用 group() 或 group(0);
start([group]) 方法用於獲取分組匹配的子串在整個字串中的起始位置(子串第一個字元的索引),引數預設值為 0;
end([group]) 方法用於獲取分組匹配的子串在整個字串中的結束位置(子串最後一個字元的索引+1),引數預設值為 0;
span([group]) 方法返回 (start(group), end(group))。
再看看一個例子:
>>> import re
>>> pattern = re.compile(r'([a-z]+) ([a-z]+)', re.I) # re.I 表示忽略大小寫
>>> m = pattern.match('Hello World Wide Web')
>>> print m # 匹配成功,返回一個 Match 物件
<_sre.SRE_Match object at 0x10bea83e8>
>>> m.group(0) # 返回匹配成功的整個子串
'Hello World'
>>> m.span(0) # 返回匹配成功的整個子串的索引
(0, 11)
>>> m.group(1) # 返回第一個分組匹配成功的子串
'Hello'
>>> m.span(1) # 返回第一個分組匹配成功的子串的索引
(0, 5)
>>> m.group(2) # 返回第二個分組匹配成功的子串
'World'
>>> m.span(2) # 返回第二個分組匹配成功的子串
(6, 11)
>>> m.groups() # 等價於 (m.group(1), m.group(2), ...)
('Hello', 'World')
>>> m.group(3) # 不存在第三個分組
Traceback (most recent call last):
File "<stdin>", line 1, in <module>
IndexError: no such group
search 方法
search 方法用於查詢字串的任何位置,它也是一次匹配,只要找到了一個匹配的結果就返回,而不是查詢所有匹配的結果,它的一般使用形式如下:
search(string[, pos[, endpos]])
其中,string 是待匹配的字串,pos 和 endpos 是可選引數,指定字串的起始和終點位置,預設值分別是 0 和 len (字串長度)。
當匹配成功時,返回一個 Match 物件,如果沒有匹配上,則返回 None。
讓我們看看例子:
>>> import re
>>> pattern = re.compile('\d+')
>>> m = pattern.search('one12twothree34four') # 這裡如果使用 match 方法則不匹配
>>> m
<_sre.SRE_Match object at 0x10cc03ac0>
>>> m.group()
'12'
>>> m = pattern.search('one12twothree34four', 10, 30) # 指定字串區間
>>> m
<_sre.SRE_Match object at 0x10cc03b28>
>>> m.group()
'34'
>>> m.span()
(13, 15)
# -*- coding: utf-8 -*-
import re
# 將正則表示式編譯成 Pattern 物件
pattern = re.compile(r'\d+')
# 使用 search() 查詢匹配的子串,不存在匹配的子串時將返回 None
# 這裡使用 match() 無法成功匹配
m = pattern.search('hello 123456 789')
if m:
# 使用 Match 獲得分組資訊
print 'matching string:',m.group()
# 起始位置和結束位置
print 'position:',m.span()
列印結果
matching string: 123456
position: (6, 12)
findall 方法
上面的 match 和 search 方法都是一次匹配,只要找到了一個匹配的結果就返回。然而,在大多數時候,我們需要搜尋整個字串,獲得所有匹配的結果。
findall 方法的使用形式如下:
findall(string[, pos[, endpos]])
其中,string 是待匹配的字串,pos 和 endpos 是可選引數,指定字串的起始和終點位置,預設值分別是 0 和 len (字串長度)。
findall 以列表形式返回全部能匹配的子串,如果沒有匹配,則返回一個空列表。
看看例子:
import re
pattern = re.compile(r'\d+') # 查詢數字
result1 = pattern.findall('hello 123456 789')
result2 = pattern.findall('one1two2three3four4', 0, 10)
print result1
print result2
執行結果
['123456', '789']
['1', '2']
再看一個
# re_test.py
import re
#re模組提供一個方法叫compile模組,提供我們輸入一個匹配的規則
#然後返回一個pattern例項,我們根據這個規則去匹配字串
pattern = re.compile(r'\d+\.\d*')
#通過partten.findall()方法就能夠全部匹配到我們得到的字串
result = pattern.findall("123.141593, 'bigcat', 232312, 3.15")
#findall 以 列表形式 返回全部能匹配的子串給result
for item in result:
print item
結果
123.141593
3.15
finditer 方法
finditer 方法的行為跟 findall 的行為類似,也是搜尋整個字串,獲得所有匹配的結果。但它返回一個順序訪問每一個匹配結果(Match 物件)的迭代器。
看看例子:
# -*- coding: utf-8 -*-
import re
pattern = re.compile(r'\d+')
result_iter1 = pattern.finditer('hello 123456 789')
result_iter2 = pattern.finditer('one1two2three3four4', 0, 10)
print type(result_iter1)
print type(result_iter2)
print 'result1...'
for m1 in result_iter1: # m1 是 Match 物件
print 'matching string: {}, position: {}'.format(m1.group(), m1.span())
print 'result2...'
for m2 in result_iter2:
print 'matching string: {}, position: {}'.format(m2.group(), m2.span())
result
<type 'callable-iterator'>
<type 'callable-iterator'>
result1...
matching string: 123456, position: (6, 12)
matching string: 789, position: (13, 16)
result2...
matching string: 1, position: (3, 4)
matching string: 2, position: (7, 8)
split 方法
split 方法按照能夠匹配的子串將字串分割後返回列表,它的使用形式如下:
split(string[, maxsplit])
其中,maxsplit 用於指定最大分割次數,不指定將全部分割。
import re
p = re.compile(r'[\s\,\;]+')
print p.split('a,b;; c d')
result
['a', 'b', 'c', 'd']
sub 方法
sub 方法用於替換。它的使用形式如下:
sub(repl, string[, count])
其中,repl 可以是字串也可以是一個函式:
如果 repl 是字串,則會使用 repl 去替換字串每一個匹配的子串,並返回替換後的字串,另外,repl 還可以使用 id 的形式來引用分組,但不能使用編號 0;
如果 repl 是函式,這個方法應當只接受一個引數(Match 物件),並返回一個字串用於替換(返回的字串中不能再引用分組)。
count 用於指定最多替換次數,不指定時全部替換。
看看例子:
import re
p = re.compile(r'(\w+) (\w+)') # \w = [A-Za-z0-9]
s = 'hello 123, hello 456'
print p.sub(r'hello world', s) # 使用 'hello world' 替換 'hello 123' 和 'hello 456'
print p.sub(r'\2 \1', s) # 引用分組
def func(m):
return 'hi' + ' ' + m.group(2)
print p.sub(func, s)
print p.sub(func, s, 1) # 最多替換一次
result
hello world, hello world
123 hello, 456 hello
hi 123, hi 456
hi 123, hello 456
匹配中文
在某些情況下,我們想匹配文字中的漢字,有一點需要注意的是,中文的 unicode 編碼範圍 主要在 [u4e00-u9fa5],這裡說主要是因為這個範圍並不完整,比如沒有包括全形(中文)標點,不過,在大部分情況下,應該是夠用的。
假設現在想把字串 title = u’你好,hello,世界’ 中的中文提取出來,可以這麼做:
import re
title = u'你好,hello,世界'
pattern = re.compile(ur'[\u4e00-\u9fa5]+')
result = pattern.findall(title)
print result
注意到,我們在正則表示式前面加上了兩個字首 ur,其中 r 表示使用原始字串,u 表示是 unicode 字串。
執行結果:
[u'\u4f60\u597d', u'\u4e16\u754c']
注意:貪婪模式與非貪婪模式
貪婪模式:在整個表示式匹配成功的前提下,儘可能多的匹配 ( * );
非貪婪模式:在整個表示式匹配成功的前提下,儘可能少的匹配 ( ? );
Python裡數量詞預設是貪婪的。
示例一 : 源字串:abbbc
使用貪婪的數量詞的正則表示式 ab* ,匹配結果: abbb。
* 決定了儘可能多匹配 b,所以a後面所有的 b 都出現了。
使用非貪婪的數量詞的正則表示式ab*?,匹配結果: a。
即使前面有 *,但是 ? 決定了儘可能少匹配 b,所以沒有 b。
示例二 : 源字串:aa
test1bbtest2cc使用貪婪的數量詞的正則表示式:<div>.*</div>
匹配結果:<div>test1</div>bb<div>test2</div>
這裡採用的是貪婪模式。在匹配到第一個“</div>”時已經可以使整個表示式匹配成功,但是由於採用的是貪婪模式,所以仍然要向右嘗試匹配,檢視是否還有更長的可以成功匹配的子串。匹配到第二個“</div>”後,向右再沒有可以成功匹配的子串,匹配結束,匹配結果為“<div>test1</div>bb<div>test2</div>”
使用非貪婪的數量詞的正則表示式:<div>.*?</div>
匹配結果:<div>test1</div>
正則表示式二採用的是非貪婪模式,在匹配到第一個“</div>”時使整個表示式匹配成功,由於採用的是非貪婪模式,所以結束匹配,不再向右嘗試,匹配結果為“<div>test1</div>”。
爬取內涵段子使用re 來獲取需要資料
根據正則表示式,我們可以推算出一個公式是:
<div.*?class="f18 mb20">(.*?)</div>
這個表示式實際上就是匹配到所有div中class="f18 mb20 裡面的內容(具體可以看前面正則介紹)
然後將這個正則應用到程式碼中,我們會得到以下程式碼:
def loadPage(self, page):
"""
@brief 定義一個url請求網頁的方法
@param page 需要請求的第幾頁
@returns 返回的頁面html
"""
url = "http://www.neihan8.com/article/list_5_" + str(page)
+ ".html"
#User-Agent頭
user_agent = 'Mozilla/5.0 (compatible; MSIE 9.0; Windows NT
6.1; Trident/5.0'
headers = {'User-Agent': user_agent}
req = urllib2.Request(url, headers = headers)
response = urllib2.urlopen(req)
html = response.read()
gbk_html = html.decode('gbk').encode('utf-8')
#找到所有的段子內容<div class = "f18 mb20"></div>
#re.S 如果沒有re.S 則是隻匹配一行有沒有符合規則的字串,如果沒有則下一行重新匹配
# 如果加上re.S 則是將所有的字串將一個整體進行匹配
pattern = re.compile(r'<div.*?class="f18 mb20">(.*?)</di
v>', re.S)
item_list = pattern.findall(gbk_html)
return item_list
def printOnePage(self, item_list, page):
"""
@brief 處理得到的段子列表
@param item_list 得到的段子列表
@param page 處理第幾頁
"""
print "******* 第 %d 頁 爬取完畢...*******" %page
for item in item_list:
print "================"
print ite
這裡需要注意一個是re.S是正則表示式中匹配的一個引數。
如果 沒有re.S 則是 只匹配一行 有沒有符合規則的字串,如果沒有則下一行重新匹配。
如果 加上re.S 則是將 所有的字串 將一個整體進行匹配,findall 將所有匹配到的結果封裝到一個list中。